CC BY
22
Шаг метода на рисунке 5 может состоять из одного или множества модулей инженерных знаний, объединенных в семантическую сеть.
Высшей ступенью организации знаний являются мультиагентные системы распределенного интеллекта. Они образуются наложением структуры И/ИЛИ графа на мультиагентную систему. На рисунке 8 приведена такая структура применительно к проблематике автоматизированного проектирования изделий (межагентные информационные связи на этом рисунке не показаны).
На рисунке 8, например, агенты А, В я С связаны с подчиненными по иерархии целое-часть агентами связями типа И, а агенты Е, Ь я Б - связями типа ИЛИ. С помощью последних осуществляется синтез вариантов структур изделий, управляемый вспомогательными атрибутами агента-родителя. Параметрический синтез производится мультиагентной системой посредством использования методов агентов и обмена информацией между ними.
Метасистема содержит знания обо всем множестве известных ее авторам вариантов решений. В результате проектирования, началом которого является ввод исходных данных в агент высшего уровня (например А на рис. 8), получаются тексто-графические данные, содержащие проект одного экземпляра изделия, удовлетворяющего требованиям исходных данных.
Принципиальным отличием описываемой новой методологии от старой является то, что если при алгоритмическом подходе процессом управляют команды, использующие данные, то в новой технологии бал правят данные с помощью команд. Это происходит как на микроуровне внутри агентов, что дает основание говорить о распределенном интеллекте, так и на макроуровне - в муль-тиагентном пространстве.
Мультиагентная метасистема представляет собой модель множества изделий, правила проектирования которых известны разработчику. В этом смысле такая модель описывает виртуальное изде-
лие, используемое для получения конкретных экземпляров, удовлетворяющих соответствующим техническим заданиям. Агенты метасистемы могут быть распределены на сети автоматизированных рабочих мест специалистов различного профиля, обеспечивая кооперативное взаимодействие их в процессе совмещенного проектирования.
Поддержку создания и использования мультиагентной метасистемы обеспечивает интегрированная метаинструментальная система "СПРУТ" [4], в состав которой входит полный набор необходимых подсистем, включая реляционную и иерархическую графическую СУБД, подсистемы генерации моделей данных и баз знаний, подсистемы геометрического моделирования на плоскости и в пространстве, подсистему генерации многооконного графического интерфейса, монитор и другие подсистемы. Описанная выше методология автоматизации проектирования в совокупности с упомянутыми инструментальными средствами определяет СПРУТ-технологию [4], которая в течение ряда лет успешно применяется для комплексной автоматизации подготовки производства на предприятиях различного профиля.
Список литературы
1. Евгенев Г.Б. Новые горизонты проектирования - от концептуального до технологического// Компьютер Пресс. -1997. -№6.
2. Половинкин А.И. Основы инженерного творчества. -М.: Машиностроение, 1988.
3. Марка Д.А., Макгоуэн К. Методология структурного анализа и проектирования. /Пер. с англ. - М.: Метатехнология,
1996.
4. Evgenev G., Kovalevsky V. SPRUT - Integrated Environment for Engineering Knowledge Computer Processing/ Proceedings of International Conference "Information Technology in Design" - EWITD'96. ICSTI, 1996. P. 38-45.
5. Евгенев Е.Б. Как я пришел к СПРУТ-технологии// Компьютер Пресс. -1997. -№3.
6. Евгенев Е.Б., Безбородов В.В. СПРУТ-технология. Компьютеризация инженерных знаний// САПР и Ерафика. -
1997. -№12.
ПЕРСПЕКТИВНЫЕ АРХИТЕКТУРЫ ГЕНЕТИЧЕСКОГО ПОИСКА
В.В. Курейчик
В последнее время появились новые нестандартные архитектуры генетического поиска, позволяющие в большинстве случаев решать проблему предварительной сходимости алгоритмов. Это методы миграции и искусственной селекции [1], метагенетической параметрической оптимизации [2], стохастически-итерацион-ные генетические и поисковые [3], прерывистого равновесия [4], объединения генетического поиска и моделирования отжига [5]. В [1] в отличие от обыкновенных генетических алгоритмов (ГА) выполняется макроэволюция, то есть создается не одна популяция, а некото-
рое их множество. Генетический поиск здесь осуществляется путем объединения родителей из различных популяций. В отличие от [1-5] предлагается модифицированная архитектура генетического поиска с миграцией и искусственной селекцией (рис. 1). Здесь блоки 1-3 представляют собой простой или модифицированный ГА. Отметим, что в каждом блоке выполняется своя искусственная селекция. В первом блоке селекция на основе рулетки, во втором - на основе заданной шкалы, в третьем - элитная селекция. В блок миграции каждый раз отправляется лучший представитель из популяции.
Связь между блоками 1-3 осуществляется путем последовательной цепочки 1-2, 2-3. Отметим, что можно организовать различное количество связей между блоками такого типа, как по принципу полного графа, по принципу звезды и т.д. Такая схема селекции в случае наличия большого количества вычислительных ресурсов может быть доведена до N блоков. Здесь N-1 блоков могут параллельно осуществлять эволюционную адаптацию и через блоки миграции обмениваться лучшими представителями решений. Последний блок собирает лучшие решения, может окончить результат работы или продолжить генетическую оптимизацию. Такая схема оптимизации в отличие от существующих позволяет во многих случаях выходить из локальных оптимумов. Для повышения эффективности такой архитектуры в САПР используют метагенетическую оптимизацию (МГО). Она заключается в следующем (рис. 2). Основным является первый блок, в котором осуществляется реализация генетического алгоритма, генерация новых решений, определение моделирующей функции и использование предыдущих решений для генерации лучших результатов. Второй блок позволяет использовать историю предыдущих решений для генерации лучшего множества
_и_' ' '__рапдщтидпоп тт^п^д чип_
популяция 1 PI, ..., Рп
Искусственная селекция
популяция 2 J—* PI, ...,Pn
|МФ
Искусственная селекция
популяция 3 PI, ..., Рп
Искусственная селекция
Генерации
0...П
реализация ГА
генерация
новых решений
определение МФ
использование предыдущих решении для генерации лучших решений
генерация нового
множества оптимизационных параметров
использование истории предыдущих решений для генерации лучших множеств параметров
Рис. 2. Модифицированная схема миграции и искусственной селекции
леонтологическои теории прерывистого равновесия, которая описывает быструю эволюцию за счет вулканических и других изменений земной коры. Для применения данного метода в технических задачах предлагается после каждой генерации случайным образом перемешивать индивидуальности в популяции, а затем формировать новые текущие генерации. Здесь можно предложить как аналог из живой природы бессознательный отбор родительских пар и синтетический отбор лучших родительских пар. Далее случайным образом смешать результаты обоих отборов и не оставлять размер популяции постоянным, а управлять им в зависимости от наличия лучших индивидуальностей. Такая модификация метода прерывистого равновесия может позволить сократить неперспективные популяции и расширить популяции, в которых находятся лучшие индивидуальности. Согласно [4] метод прерывистого равновесия -мощный стрессовый метод изменения окружающей среды для эффективного выхода из локальных ям.
Объединение ГА и моделирование отжига позволяют получать более качественные результаты за счет усложнения процедуры оптимизации [5]. Например, на основе простого ГА можно получить некоторое подмножество родителей с лучшими характеристиками и для одного из них (наилучшего) или некоторого подмножества применить оптимизационную процедуру моделирования отжига. Такое объединение можно делать различными способами. К сожалению, процедуры моделирования отжига требуют больших вычислительных затрат. Поэтому, такие подходы применяют при проектировании элементов топологии внутри ячеек, когда их число меньше или равно 50.
Отметим, что основные задачи повышения качества решений проектирования СБИС с применением ГА -это выход из локальных ям, а также оптимальный выбор генетических операторов и методов селекции.
Список литературы
1. Potts C.I., Giddens T.D., Yadav S.B. The Development and Evaluation of an Improved Genetic Algorithm Based on Migration and Artificial selection. IEEE Trans, on Systems, Man and Cybernetics, vol.24, i.l, Sammary 1994. P. 73 - 86.
2. Shahookar K., Mazmunder P. A Genetic Approach to standart Cell Placement Using Meta-Genetic Parameter Optimization, IEEE Trans, on CAD, Vol.9, i.5, May, 1990. P. 500 -511.
3. Ackley D.H. A connectionist Machine for Genetic Hillclimb-ing. Kluwer Academic Publishers, Boston, MA, 1987. - 240 p.
4. Cohoon J.P., Paris W.D. Genetic Placement, IEEE Trans, on CAD, Vol.6, i 6, November, 1987. P. 956 - 964.
5. Davis L., ed. Genetic Algorithms and Sivulated Annealing. San Mateo. Morgan Kaufman Publisher, 1987. - 216 p.
